LLMs Plagiarize: Ensuring Responsible Sourcing of Large Language Model Training Data Through Knowledge Graph Comparison

（LLMsが盗作する：ナレッジグラフ比較による大規模言語モデル学習データの責任ある調達の保証）

田中専務

拓海先生、最近新聞で「AIが勝手に記事を学習してる」と騒がれてましてね。弊社でもAI導入の話が出ているんですが、著作権とかのリスクが心配でして。本当に気になります。

AIメンター拓海

素晴らしい着眼点ですね！最近の論文では、モデルが学習に使ったかどうかを見分ける手法が提案されていますよ。大丈夫、一緒に整理すれば必ずわかりますよ。

田中専務

具体的にはどんな手法で、うちのような業界でも使えるものなんでしょうか。結局、訴訟リスクを避けたいんです。

AIメンター拓海

この論文は「知識グラフ（Knowledge Graph）化→比較」という直感的な流れです。要点を3つでまとめると、1) 原典となる文書とモデルの応答を知識グラフにする、2) 個々の関係（RDFトリプル）を比較する、3) 全体の構造的類似度も測る、です。

田中専務

これって要するに、文章の単語が一致しているかを調べるんじゃなくて、内容の“関係性”を比べるということですか？

AIメンター拓海

まさにその通りです！単語の一致は表層的で回避されやすいですが、RDF（Resource Description Framework）トリプルという「主語–述語–目的語」の関係を抽出すると、文書が伝えようとする核となるアイデアを比較できますよ。

田中専務

なるほど。で、実務的な話をすると、これで「この文書が学習に使われた」と断定できるんですか。裁判で使えるレベルでしょうか。

AIメンター拓海

直ちに法的決定を与えるものではありませんが、証拠の強化にはなるんです。著者らも述べているように、内容の類似性と構造的な一致の両面を示せれば、単なる偶然やパラフレーズを超えた説明が可能になります。

田中専務

技術的にはどのくらい手間がかかりますか。うちの現場で運用するならコスト感が肝心でして。

AIメンター拓海

現状はまだ試験的ですが、プロセスは明快です。まず対象文書とモデル応答を用意し、RDF抽出器でトリプル化し、各トリプルをベクトル化してコサイン類似度を取ります。最後にグラフ構造の編集距離で全体の一致度を評価します。段階的に自動化すれば運用負荷は下がりますよ。

田中専務

要点をもう一度簡潔に教えてください。会議で部長に説明する必要があるものでして。

AIメンター拓海

素晴らしい着眼点ですね！会議用には3点にまとめます。1) 文書とモデル応答を「関係性の集合」として比較する、2) 個別の関係（トリプル）の類似度で原文由来の可能性を示す、3) 全体のグラフ構造で「組み立て方」が一致しているかを評価する。これで相手に伝わりますよ。

田中専務

よし、それなら説明できそうです。では最後に、私の言葉でまとめますね。原文とAIの応答を関係性に分解して比べ、個別と全体の両方で似ていれば学習に使われた可能性が高い、ということですね。

AIメンター拓海

その通りです！その説明で十分に本質を伝えられますよ。大丈夫、一緒にやれば必ずできますよ。